1.2 从提示词工程到上下文工程

1.2.1 提示词工程的起源与局限

提示词工程（Prompt Engineering）是指通过精心设计输入给模型的文本指令，来引导模型产生期望输出的技术。自 GPT-3 等大模型问世以来，提示词工程迅速成为 AI 应用开发的核心技能。

提示词工程的典型技巧包括：

• 角色设定：如"你是一位专业的法律顾问"

• 任务描述：清晰说明期望模型完成的任务

• 输出格式：指定 JSON、Markdown 等结构化输出

• 少样本学习：提供几个示例引导模型行为

• 思维链提示：要求模型逐步推理

这些技巧在许多场景下效果显著，但随着应用场景的复杂化，提示词工程的局限也逐渐显现：

局限性	具体表现
静态性	提示词通常是预定义的，难以适应动态变化的需求
孤立性	聚焦于单次交互，缺乏对对话历史和外部信息的系统管理
可扩展性差	随着任务复杂度增加，提示词变得冗长且难以维护
缺乏工程化	更多依赖直觉和试错，缺乏系统化的方法论

1.2.2 上下文工程的演进

上下文工程是提示词工程的自然演进和扩展。如果说提示词工程关注的是"写什么指令"，那么上下文工程关注的是"如何构建完整的信息环境"。

Anthropic 公司在其官方文档中明确指出：提示词工程是上下文工程的一个子集。这一观点准确描述了两者的关系——提示词工程仍然重要，但它只是上下文工程这个更大画卷中的一部分。

1.2.3 核心差异对比

维度	提示词工程	上下文工程
关注点	单次指令的措辞和格式	完整信息环境的设计
范围	提示词文本	指令、数据、工具、记忆、策略
时间维度	静态、一次性	动态、跨会话
信息来源	手工编写	多源融合、自动检索
工程化程度	技巧驱动、经验依赖	系统化、可量化、可测试
应用场景	简单任务、单轮对话	复杂任务、多轮交互、智能体

1.2.4 为什么需要这种演进

这种从提示词工程到上下文工程的演进，是由几个关键因素驱动的：

因素一：任务复杂度的提升

早期的 LLM 应用主要是简单的问答和文本生成，一个精心设计的提示词就足够了。如今的应用场景包括代码编写、数据分析、复杂推理、多步骤任务执行等，这些都需要更丰富的上下文支持。

因素二：智能体的兴起

AI 智能体需要在长时间跨度内持续工作，处理多个子任务，协调多个工具，维护工作状态。这种场景下，静态的提示词远远不够，需要系统化的记忆管理和上下文编排。

因素三：生产环境的要求

从原型到生产，AI 应用需要面对可靠性、一致性、可观测性、成本控制等一系列工程化要求。上下文工程提供了应对这些挑战的系统方法。

因素四：模型能力的提升

随着模型能力增强，上下文窗口扩大，模型能够利用更丰富的信息。如何高效利用这些能力，需要更高层次的工程方法。

1.2.5 一个类比

可以用建筑来类比这种演进：

• 提示词工程如同为一座房子设计入口大门——门的设计很重要，但它只是整个建筑的一部分

• 上下文工程如同建筑设计——需要考虑整体结构、空间布局、采光通风、管道电路等所有要素的协调配合

单凭一道漂亮的大门无法成就一座优秀的建筑；同样，单凭精巧的提示词也无法构建可靠的 AI 系统。从提示词工程升级到上下文工程，是 AI 应用开发走向成熟的必由之路。